英国芯片厂商Arm今天表示,将在最新的Armv8-M架构中添加“Arm Custom Instructions”功能。
此举是为了让客户可以将针对嵌入式和物联网应用的特定指令添加到CPU中。Armv8-M架构是Arm现有M33 Cortex-M低功耗处理器系列的基础架构,该系列处理器主要面向一系列物联网和移动设备。
Arm的商业模式与其他芯片制造商明显不同之处在于,Arm将芯片设计许可给合作伙伴,然后由合作伙伴自己开发实际的硬件,其中很多合作伙伴都希望适配Arm的设计,这样就可以开发用于特定任务的处理器,提供更高的性能和效率。
Arm今天在第15届Arm TechCon 2019年度大会上表示,Arm Custom Instructions是建立在Arm芯片合作伙伴创新这一理念基础上的。Arm公司首席执行官Simon Segars在今天上午的主题演讲中表示:“在芯片中增加灵活性是有空间的,例如增加了并非所有工作负载都需要的计算或安全功能。”
Arm Custom Instructions让芯片设计人员可以向其M33 Cortex-M CPU中添加“自定义数据路径扩展”。Arm表示,通过这种方式他们就可以打造各种加速器,从而在人工智能、机器学习和自动驾驶汽车等边缘计算用例实现更高的性能。
Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead表示:“ Arm的自定义指令可以帮助解决芯片制造商在不使用加速卡的情况下以低延迟增加加速的问题。这是一种很新颖的方法,因为它支持‘自带指令',意味着芯片制造商可以以结构化的方式添加自己的IP,而且这也不会取代高端加速器芯片。”
确实,Segars在今天上午的主题演讲中再次强调了Arm的目标,即让Arm芯片满足大范围的计算需求,特别是随着5G网络、物联网和人工智能技术发展成熟的时候。他说:“我们希望涵盖一切,从最大的计算机到最小的传感器。”
Arm表示,将于明年上半年在其M33 CPU中实现自定义指令,而无需向被许可方支付任何额外费用。
在这次大会上Arm还宣布将为针对低功率物联网设备的Mbed操作系统引入一种新的治理模型。Mbed OS包含了开发人员基于Arm Cortex-M微控制器开发连接产品所需的所有功能,包括安全性、连接性、RTOS,以及用于传感器和I/O设备的驱动程序。
Arm表示,Mbed OS Partner Governance治理模型让用户在未来操作系统开发过程中拥有更多发言权,从而加强创新。伴随这个新模型的推出,Arm将成立一个新的产品工作组,该工作组每月开一次会,以应优先考虑哪些新Mbed OS功能进行投票,而且会议对Mbed Silicon合作伙伴计划的所有成员开放。
“Mbed OS一直是开源的物联网操作系统,同时我们也在不断改变其治理方式,以便我们的芯片合作伙伴可以直接参与到未来的发展中,加大我们在构建新功能和特性方面的努力,而这对于我们扩展到一万亿个互联设备的目标来说至关重要。”
此外,Arm最近还与Robert Bosch GmbH、Continental AG、Denso、General Motors、Nvidia、NXP Semiconductors和Toyota Motor等合作伙伴宣布成立了一个新的“自动驾驶汽车计算联盟”。
该联盟的目标是尝试克服在打造全自动驾驶汽车方面的一些最大挑战,首要任务之一就是提出“针对系统架构和计算平台的一系列建议,让自动驾驶系统的性能要求与车辆特定的要求和局限相协调”。
好文章,需要你的鼓励
OpenAI研究科学家Alexander Wei宣布,公司一个未发布的实验模型在国际数学奥林匹克竞赛中解决了六道题目中的五道,获得42分中的35分,达到金牌水平。该模型展现出类似人类数学家的推理能力,能够构建复杂严密的论证。这标志着AI在创造性问题解决方面的重要突破,不过该技术预计数月内不会公开发布。
约翰霍普金斯大学与StepFun公司联合研究,成功让AI学会"边看边思考"的视觉推理能力。通过两阶段训练方法,先让AI在文字推理中掌握认知行为,再迁移到视觉任务中。开发的OVR模型在多项测试中创造新纪录,为AI教育助手、医疗诊断、科研分析等应用奠定基础。
本文探讨了判断AI是否达到通用人工智能(AGI)和人工超级智能(ASI)水平所需的问题数量。目前缺乏确定的测试方法来评估是否达到顶级AI水平。基于图灵测试的分析,作者提出仅通过少量问题难以全面评估智能水平。参考美国国会图书馆主题标引(LCSH)的40万个主题领域,如果每个领域提出1万个问题,将需要40亿个问题来全面测试AGI。这种大规模测试虽然在逻辑上合理,但在实际操作中面临巨大挑战。
阿姆斯特丹大学研究团队开发出"缓存驾驶"技术,通过修改AI模型的键值缓存而非重新训练,让小型语言模型瞬间获得大模型的推理能力。该技术仅需一次调整就能让模型展现逐步推理行为,计算开销几乎为零,在多个推理基准测试中表现优异,还能实现推理风格迁移。